論文の概要: Kernel-based parameter estimation of dynamical systems with unknown observation functions

• arxiv url: http://arxiv.org/abs/2009.04142v3
• Date: Sun, 4 Apr 2021 09:44:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-20 09:03:37.268506
• Title: Kernel-based parameter estimation of dynamical systems with unknown observation functions
• Title（参考訳）: 未知観測関数を持つ力学系のカーネルベースパラメータ推定
• Authors: Ofir Lindenbaum, Amir Sagiv, Gal Mishne, Ronen Talmon
• Abstract要約: 低次元力学系は高次元信号として実験で観察される。 時間進化を1回だけ測定することで、基礎となるシステムのパラメータを推定できるだろうか? この推定を行うための重要な情報は、信号とモデルの間の時間的相互依存性にある。
• 参考スコア（独自算出の注目度）: 15.1749038371963
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A low-dimensional dynamical system is observed in an experiment as a high-dimensional signal; for example, a video of a chaotic pendulums system. Assuming that we know the dynamical model up to some unknown parameters, can we estimate the underlying system's parameters by measuring its time-evolution only once? The key information for performing this estimation lies in the temporal inter-dependencies between the signal and the model. We propose a kernel-based score to compare these dependencies. Our score generalizes a maximum likelihood estimator for a linear model to a general nonlinear setting in an unknown feature space. We estimate the system's underlying parameters by maximizing the proposed score. We demonstrate the accuracy and efficiency of the method using two chaotic dynamical systems - the double pendulum and the Lorenz '63 model.
• Abstract（参考訳）: 低次元力学系は高次元信号として実験で観察され、例えばカオス振り子系のビデオが観察される。 未知のパラメータまで力学モデルを知っていると仮定すると、その時間変化を1回だけ測定することで、基礎となるシステムのパラメータを推定できるだろうか? この推定を行うための鍵となる情報は、信号とモデルの間の時間的相互依存性である。 これらの依存関係を比較するためにカーネルベースのスコアを提案する。 このスコアは、線形モデルに対する最大確率推定器を、未知の特徴空間における一般非線形設定に一般化する。 提案したスコアを最大化することにより,システムの基本パラメータを推定する。 2つのカオス力学系(二重振り子とローレンツ'63モデル)を用いた手法の精度と効率を実証する。

関連論文リスト

• Gaussian process learning of nonlinear dynamics [0.0]
  モデルパラメータのキャラクタリゼーションのベイズ推定により非線形力学を学習する手法を提案する。 本稿では,提案手法の適用性について,力学系におけるいくつかの典型的なシナリオについて論じる。
  論文  参考訳（メタデータ） (2023-12-19T14:27:26Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Robust identification of non-autonomous dynamical systems using stochastic dynamics models [0.0]
  本稿では, 非線形・非線形非自律系における雑音・スパースデータからのシステム識別(ID)の問題について考察する。 隠れマルコフモデル学習のためのベイズ式から導かれる目的関数を提案し,解析する。 提案手法は,システムIDに適合するスムーズさと本質的な正規化を改善したことを示す。
  論文  参考訳（メタデータ） (2022-12-20T16:36:23Z)
• Identifiability and Asymptotics in Learning Homogeneous Linear ODE Systems from Discrete Observations [114.17826109037048]
  通常の微分方程式(ODE)は、機械学習において最近多くの注目を集めている。 理論的な側面、例えば、統計的推定の識別可能性と特性は、いまだに不明である。 本稿では,1つの軌道からサンプリングされた等間隔の誤差のない観測結果から,同次線形ODE系の同定可能性について十分な条件を導出する。
  論文  参考訳（メタデータ） (2022-10-12T06:46:38Z)
• A Priori Denoising Strategies for Sparse Identification of Nonlinear Dynamical Systems: A Comparative Study [68.8204255655161]
  本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。 一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-29T23:31:25Z)
• Time varying regression with hidden linear dynamics [74.9914602730208]
  線形力学系に従って未知のパラメータが進化することを前提とした時間変化線形回帰モデルを再検討する。 反対に、基礎となる力学が安定である場合、このモデルのパラメータは2つの通常の最小二乗推定と組み合わせることで、データから推定できることが示される。
  論文  参考訳（メタデータ） (2021-12-29T23:37:06Z)
• Supervised DKRC with Images for Offline System Identification [77.34726150561087]
  現代の力学系はますます非線形で複雑なものになりつつある。 予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。 本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
  論文  参考訳（メタデータ） (2021-09-06T04:39:06Z)
• Coarse-Grained Nonlinear System Identification [0.0]
  本稿では,ボルテラ級数展開に基づく非線形系力学の効率的で普遍的なパラメータ化である粗粒度ダイナミクスを紹介する。 簡単な合成問題に対して,本手法の特性を実証する。 また, 実験データの1秒未満で, タングステンフィラメントのダイナミックスに対して, 非線形電圧の正確なモデルを特定することを実証した。
  論文  参考訳（メタデータ） (2020-10-14T06:45:51Z)
• Accurate Parameter Estimation for Risk-aware Autonomous Systems [0.0]
  本稿では,自律システムの動的モデルのパラメータを推定するためのスペクトル線に基づくアプローチについて述べる。 既存の文献では、力学系のすべての非モデル化された成分をガウス下雑音として扱っている。 提案手法は既存の文献と一致して$tildeO(sqrtT)$ regretを保証できることを示す。
  論文  参考訳（メタデータ） (2020-06-23T01:20:44Z)
• Active Learning for Nonlinear System Identification with Guarantees [102.43355665393067]
  状態遷移が既知の状態-作用対の特徴埋め込みに線形に依存する非線形力学系のクラスについて検討する。 そこで本稿では, トラジェクティブ・プランニング, トラジェクティブ・トラッキング, システムの再推定という3つのステップを繰り返すことで, この問題を解決するためのアクティブ・ラーニング・アプローチを提案する。 本手法は, 非線形力学系を標準線形回帰の統計速度と同様, パラメトリック速度で推定する。
  論文  参考訳（メタデータ） (2020-06-18T04:54:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。